Accurate crop monitoring in response to climate change at a regional or field scale
plays a significant role in developing agricultural policies, improving food security,
forecasting, and analysing global trade trends. Climate change is expected to
significantly impact agriculture, with shifts in temperature, precipitation patterns, and
extreme weather events negatively affecting crop yields, soil fertility, water availability,
biodiversity, and crop growing conditions. Remote sensing (RS) can provide valuable
information combined with crop growth models (CGMs) for yield assessment by
monitoring crop development, detecting crop changes, and assessing the impact of
climate change on crop yields. This dissertation aims to investigate the potential of RS
data on modelling long-term crop yields of winter wheat (WW) and oil seed rape (OSR)
for the Free State of Bavaria (70,550 km2
), Germany. The first chapter of the dissertation
describes the reasons favouring the importance of accurate crop yield predictions for
achieving sustainability in agriculture. Chapter second explores the accuracy
assessment of the synthetic RS data by fusing NDVIs of two high spatial resolution data
(high pair) (Landsat (30 m, 16-days; L) and Sentinel-2 (10 m, 5–6 days; S), with four low
spatial resolution data (low pair) (MOD13Q1 (250 m, 16-days), MCD43A4 (500 m, one
day), MOD09GQ (250 m, one-day), and MOD09Q1 (250 m, 8-days)) using the spatial
and temporal adaptive reflectance fusion model (STARFM), which fills regions' cloud
or shadow gaps without losing spatial information. The chapter finds that both L-MOD13Q1 (R2 = 0.62, RMSE = 0.11) and S-MOD13Q1 (R2 = 0.68, RMSE = 0.13) are more
suitable for agricultural monitoring than the other synthetic products fused. Chapter
third explores the ability of the synthetic spatiotemporal datasets (obtained in chapter
2) to accurately map and monitor crop yields of WW and OSR at a regional scale. The
chapter investigates and discusses the optimal spatial (10 m, 30 m, or 250 m), temporal
(8 or 16-day) and CGMs (World Food Studies (WOFOST), and the semi-empiric light
use efficiency approach (LUE)) for accurate crop yield estimations of both crop types.
Chapter third observes that the observations of high temporal resolution (8-day)
products of both S-MOD13Q1 and L-MOD13Q1 play a significant role in accurately
measuring the yield of WW and OSR. The chapter investigates that the simple light use
efficiency (LUE) model (R2 = 0.77 and relative RMSE (RRMSE) = 8.17%) that required fewer input parameters to simulate crop yield is highly accurate, reliable, and more
precise than the complex WOFOST model (R2 = 0.66 and RRMSE = 11.35%) with higher
input parameters. Chapter four researches the relationship of spatiotemporal fusion
modelling using STRAFM on crop yield prediction for WW and OSR using the LUE
model for Bavaria from 2001 to 2019. The chapter states the high positive correlation
coefficient (R) = 0.81 and R = 0.77 between the yearly R2 of synthetic accuracy and
modelled yield accuracy for WW and OSR from 2001 to 2019, respectively. The chapter
analyses the impact of climate variables on crop yield predictions by observing an
increase in R2
(0.79 (WW)/0.86 (OSR)) and a decrease in RMSE (4.51/2.57 dt/ha) when
the climate effect is included in the model. The fifth chapter suggests that the coupling
of the LUE model to the random forest (RF) model can further reduce the relative root
mean square error (RRMSE) from -8% (WW) and -1.6% (OSR) and increase the R2 by
14.3% (for both WW and OSR), compared to results just relying on LUE. The same
chapter concludes that satellite-based crop biomass, solar radiation, and temperature
are the most influential variables in the yield prediction of both crop types. Chapter six
attempts to discuss both pros and cons of RS technology while analysing the impact of
land use diversity on crop-modelled biomass of WW and OSR. The chapter finds that
the modelled biomass of both crops is positively impacted by land use diversity to the
radius of 450 (Shannon Diversity Index ~0.75) and 1050 m (~0.75), respectively. The
chapter also discusses the future implications by stating that including some dependent
factors (such as the management practices used, soil health, pest management, and
pollinators) could improve the relationship of RS-modelled crop yields with
biodiversity. Lastly, chapter seven discusses testing the scope of new sensors such as
unmanned aerial vehicles, hyperspectral sensors, or Sentinel-1 SAR in RS for achieving
accurate crop yield predictions for precision farming. In addition, the chapter highlights
the significance of artificial intelligence (AI) or deep learning (DL) in obtaining higher
crop yield accuracies. / Die genaue Überwachung von Nutzpflanzen als Reaktion auf den Klimawandel auf
regionaler oder feldbezogener Ebene spielt eine wichtige Rolle bei der Entwicklung von
Agrarpolitiken, der Verbesserung der Ernährungssicherheit, der Erstellung von
Prognosen und der Analyse von Trends im Welthandel. Es wird erwartet, dass sich der
Klimawandel erheblich auf die Landwirtschaft auswirken wird, da sich Verschiebungen
bei den Temperaturen, Niederschlagsmustern und extremen Wetterereignissen negativ
auf die Ernteerträge, die Bodenfruchtbarkeit, die Wasserverfügbarkeit, die Artenvielfalt
und die Anbaubedingungen auswirken werden. Die Fernerkundung (RS) kann in
Kombination mit Wachstumsmodellen (CGM) wertvolle Informationen für die
Ertragsbewertung liefern, indem sie die Entwicklung von Pflanzen überwacht,
Veränderungen bei den Pflanzen erkennt und die Auswirkungen des Klimawandels auf
die Ernteerträge bewertet. Ziel dieser Dissertation ist es, das Potenzial von RS-Daten für
die Modellierung langfristiger Ernteerträge von Winterweizen (WW) und Ölraps (OSR)
für den Freistaat Bayern (70.550 km2
), Deutschland, zu untersuchen. Das erste Kapitel
der Dissertation beschreibt die Gründe, die für die Bedeutung genauer
Ernteertragsvorhersagen für die Nachhaltigkeit in der Landwirtschaft sprechen. Das
zweite Kapitel befasst sich mit der Bewertung der Genauigkeit der synthetischen RS Daten durch die Fusion der NDVIs von zwei Daten mit hoher räumlicher Auflösung
(hohes Paar) (Landsat (30 m, 16 Tage; L) und Sentinel-2 (10 m, 5-6 Tage; S) mit vier Daten
mit geringer räumlicher Auflösung (niedriges Paar) (MOD13Q1 (250 m, 16 Tage),
MCD43A4 (500 m, ein Tag), MOD09GQ (250 m, ein Tag) und MOD09Q1 (250 m, 8 Tage))
unter Verwendung des räumlich und zeitlich adaptiven Reflexionsfusionsmodells
(STARFM), das Wolken- oder Schattenlücken in Regionen füllt, ohne räumliche
Informationen zu verlieren. In diesem Kapitel wird festgestellt, dass sowohl L-MOD13Q1 (R2 = 0,62, RMSE = 0,11) als auch S-MOD13Q1 (R2 = 0,68, RMSE = 0,13) für die
Überwachung der Landwirtschaft besser geeignet sind als die anderen fusionierten
synthetischen Produkte. Im dritten Kapitel wird untersucht, inwieweit die (in Kapitel 2
gewonnenen) synthetischen raum-zeitlichen Datensätze geeignet sind, die Ernteerträge
von WW und OSR auf regionaler Ebene genau zu kartieren und zu überwachen. Das
Kapitel untersucht und diskutiert die optimalen räumlichen (10 m, 30 m oder 250 m),zeitlichen (8 oder 16 Tage) und CGMs (World Food Studies (WOFOST) und den semi-empirischen Ansatz der Lichtnutzungseffizienz (LUE)) für genaue Ertragsschätzungen
beider Kulturarten. Im dritten Kapitel wird festgestellt, dass die Beobachtung von
Produkten mit hoher zeitlicher Auflösung (8 Tage) sowohl des S-MOD13Q1 als auch
des L-MOD13Q1 eine wichtige Rolle bei der genauen Messung des Ertrags von WW
und OSR spielt. In diesem Kapitel wird untersucht, dass das einfache Modell der
Lichtnutzungseffizienz (LUE) (R2 = 0,77 und relativer RMSE (RRMSE) = 8,17 %), das
weniger Eingabeparameter zur Simulation des Ernteertrags benötigt, sehr genau,
zuverlässig und präziser ist als das komplexe WOFOST-Modell (R2 = 0,66 und RRMSE
= 11,35 %) mit höheren Eingabeparametern. In Kapitel vier wird der Zusammenhang
zwischen der raum-zeitlichen Fusionsmodellierung mit STRAFM und der
Ertragsvorhersage für WW und OSR mit dem LUE-Modell für Bayern von 2001 bis 2019
untersucht. Das Kapitel stellt den hohen positiven Korrelationskoeffizienten (R) = 0,81
und R = 0,77 zwischen dem jährlichen R2 der synthetischen Genauigkeit und der
modellierten Ertragsgenauigkeit für WW bzw. OSR von 2001 bis 2019 fest. In diesem
Kapitel werden die Auswirkungen der Klimavariablen auf die Ertragsvorhersagen
analysiert, wobei ein Anstieg des R2
(0,79 (WW)/0,86 (OSR)) und eine Verringerung des
RMSE (4,51/2,57 dt/ha) festgestellt werden, wenn der Klimaeffekt in das Modell
einbezogen wird. Das fünfte Kapitel deutet darauf hin, dass die Kopplung des LUE-Modells mit dem Random-Forest-Modell (RF) den relativen mittleren quadratischen
Fehler (RRMSE) von -8 % (WW) und -1,6 % (OSR) weiter reduzieren und das R2 um 14,3
% (sowohl für WW als auch für OSR) erhöhen kann, verglichen mit Ergebnissen, die nur
auf LUE beruhen. Das gleiche Kapitel kommt zu dem Schluss, dass die
satellitengestützte Pflanzenbiomasse, die Sonneneinstrahlung und die Temperatur die
einflussreichsten Variablen bei der Ertragsvorhersage für beide Kulturarten sind. In
Kapitel sechs wird versucht, sowohl die Vor- als auch die Nachteile der RS-Technologie
zu erörtern, indem die Auswirkungen der unterschiedlichen Landnutzung auf die
modellierte Biomasse von WW und OSR analysiert werden. In diesem Kapitel wird
festgestellt, dass die modellierte Biomasse beider Kulturen durch die
Landnutzungsvielfalt bis zu einem Radius von 450 (Shannon Diversity Index ~0,75) bzw. 1050 m (~0,75) positiv beeinflusst wird. In diesem Kapitel werden auch künftige
Auswirkungen erörtert, indem festgestellt wird, dass die Einbeziehung einiger
abhängiger Faktoren (wie die angewandten Bewirtschaftungsmethoden, die
Bodengesundheit, die Schädlingsbekämpfung und die Bestäuber) die Beziehung
zwischen den mit RS modellierten Ernteerträgen und der biologischen Vielfalt
verbessern könnte. Im siebten Kapitel schließlich wird die Erprobung neuer Sensoren
wie unbemannte Luftfahrzeuge, hyperspektrale Sensoren oder Sentinel-1 SAR in der RS
erörtert, um genaue Ertragsvorhersagen für die Präzisionslandwirtschaft zu erreichen.
Darüber hinaus wird in diesem Kapitel die Bedeutung der künstlichen Intelligenz (KI)
oder des Deep Learning (DL) für die Erzielung einer höheren Genauigkeit der
Ernteerträge hervorgehoben.
| Identifer | oai:union.ndltd.org:uni-wuerzburg.de/oai:opus.bibliothek.uni-wuerzburg.de:32258 |
| Date | January 2023 |
| Creators | Dhillon, Maninder Singh |
| Source Sets | University of Würzburg |
| Language | English |
| Detected Language | English |
| Type | doctoralthesis, doc-type:doctoralThesis |
| Format | application/pdf |
| Rights | https://creativecommons.org/licenses/by/4.0/deed.de, info:eu-repo/semantics/openAccess |
Page generated in 0.0033 seconds